LLM-Wiki：让知识像花园一样持续生长
内容提要
本文介绍llm-wiki理念：让AI长期维护Markdown知识图谱，区别于传统RAG的临时检索，实现知识复利。文章详述其三层架构（原始资料、知识层、操作规则）、核心操作（导入、查询、维护），并调研2026年生态工具，如OpenWiki、OpenKB等，提供选型建议和实现路线图，强调Markdown为真相层、索引可重建、写回需治理。
延伸解读
从“临时检索”到“知识复利”
文章将传统 RAG 比作临时资料员，每次提问都重新翻找资料，而 llm-wiki 则像长期图书管理员，平时就整理、归档、建立交叉引用，让知识不断沉淀。这种“知识复利”意味着每次阅读、问答、纠错都能成为可复用的资产，而非一次性消耗品。理解这一核心差异，有助于判断何时该用 RAG，何时该构建 llm-wiki。
三层架构：原始资料、知识层与操作规则
llm-wiki 的架构分为三层：原始资料层保存不可变的证据，知识层用 Markdown 页面和 wikilinks 构建结构化知识图谱，操作规则层则通过 CLAUDE.md 或 AGENTS.md 定义引用、合并、审批等规则。这种分层确保了知识的可追溯性和可维护性，是 llm-wiki 能长期运行的关键。
2026 生态：制造工具与交换标准的分工
文章调研了 2026 年的开源生态，指出新趋势是“制造工具”与“交换标准”分离。OpenWiki、OpenKB 等工具负责自动生成和维护 wiki，而 Google 的 OKF 则致力于定义知识包格式，让不同工具产出的 wiki 能互通。这种分工降低了用户的选择成本，但也需注意各项目多处于早期阶段，采用前应核实最新状态。
失败模式与治理：防止知识花园长杂草
llm-wiki 并非一劳永逸，文章列举了幻觉固化、引用漂移、旧事实不失效等失败模式，并强调治理的重要性。通过 claim 级引用、valid_from/valid_until 时间戳、lint 检查和人工审批等机制，可以缓解这些问题。核心原则是：生成内容不是事实，只有带来源、可核验、可审计的内容才逐渐接近事实。
Q&A
什么是 llm-wiki？它与传统 RAG 有何不同？
llm-wiki 是一种让 LLM 长期维护知识库的方法，它把资料提前整理成带引用、带链接、可审计的 Markdown 知识图谱。传统 RAG 是在用户提问时临时检索片段并拼凑答案，而 llm-wiki 在平时就持续编译知识，回答问题时先查已整理好的知识图谱，必要时再回原始资料核验，并将好答案回写，实现知识复利。
llm-wiki 的三层架构是什么？
llm-wiki 的三层架构包括：第一层 Raw Sources（原始事实层），保存原始资料如网页、PDF、代码等；第二层 Wiki 知识编译层，存放结构化的 Markdown 页面，如概念页、实体页、决策页等；第三层 Schema/Instructions（操作手册层），定义页面模板、引用规则、Lint 规则等，指导 agent 如何维护 wiki。
llm-wiki 的核心操作有哪些？
llm-wiki 的核心操作有三个：Ingest（导入）、Query（查询）和 Lint（维护）。Ingest 是将新资料保存为 raw source，并更新多个 wiki 页面，添加引用和链接；Query 是先查 wiki 知识图谱，必要时回原始资料核验，输出带引用的答案；Lint 是定期检查知识库健康，如断链、无引用、冲突、陈旧事实等，并修复问题。
2026 年有哪些 llm-wiki 相关的开源工具？
2026 年出现了多个相关工具：OpenWiki（LangChain）用于自动生成和维护代码库文档；OpenKB（VectifyAI）支持多格式文档编译成 Markdown 知识库；nashsu/llm_wiki 是一个可视化桌面应用；AutoSci（PKU DAIR）用于科研全流程；Google 的 OKF 是开放知识格式标准；qmd 是本地混合搜索引擎；AGENTS.md 是给 agent 的入场须知。
如何选择适合自己的 llm-wiki 工具？
选择工具取决于场景：若想给代码库自动生成并 CI 维护文档，选 OpenWiki；若有长 PDF 或多格式资料，选 OpenKB；若想要可视化桌面应用，选 nashsu/llm_wiki；若要做科研全流程，选 AutoSci；若想让多个工具互通，给页面加 OKF 的 type 字段；若只需本地混合搜索，用 qmd；若只需给 agent 入场须知，用 AGENTS.md。
llm-wiki 的推荐实现路线图是什么？
推荐路线图分阶段：Phase 0 定义目标对象；Phase 1 建立 Markdown canonical schema；Phase 2 建立可重建索引；Phase 3 开发 Ingest/Query/Lint CLI；Phase 4 实现 MCP resources（先只读）；Phase 5 加入时间维度和来源追踪；Phase 6 建立评估和治理机制。
llm-wiki 有哪些失败模式？如何避免？
失败模式包括：幻觉固化、引用漂移、旧事实不失效、结构腐化、图抽取错误、写回污染、粒度失控。避免方法：对 claim 级引用、保留来源引用、使用 valid_from/valid_until、定期 lint、实体解析和图 diff、写回需审查、演化工作流。
